趙 亮，孟立軻，張 艷，馮伍法，張繼領(lǐng)，4

（1．61175部隊(duì)，江蘇南京210049；2．96656部隊(duì)，北京102208；3．信息工程大學(xué)地理空間信息學(xué)院，河南鄭州450052；4．68310部隊(duì)，陜西西安710600）

?

聯(lián)合光譜和紋理特征的支持向量機(jī)灘涂分類方法研究

趙 亮1，孟立軻2，張 艷3，馮伍法3，張繼領(lǐng)3，4

（1．61175部隊(duì)，江蘇南京210049；2．96656部隊(duì)，北京102208；3．信息工程大學(xué)地理空間信息學(xué)院，河南鄭州450052；4．68310部隊(duì)，陜西西安710600）

摘 要：灘涂作為海岸帶的重要組成部分，是重要的土地資源。針對(duì)遙感影像灘涂分類的提取，文中提出一種聯(lián)合光譜和紋理特征支持向量機(jī)（SVM）灘涂分類的方法。首先介紹紋理特征影像獲取方法，通過(guò)灰度共生矩陣分析得到灘涂紋理特征影像；然后將光譜影像與紋理影像疊加形成一幅多維特征影像，用SVM分類算法中的OAR分類器進(jìn)行分類實(shí)驗(yàn)，對(duì)分類結(jié)果進(jìn)行實(shí)驗(yàn)分析。實(shí)驗(yàn)結(jié)果表明，該算法對(duì)提高海岸帶地理信息獲取能力，提升海洋遙感測(cè)繪信息化保障水平有積極意義。

關(guān)鍵詞：光譜特征；紋理特征；支持向量機(jī)；灘涂分類

灘涂，在地貌學(xué)上稱“潮間帶”，廣義上指潮間帶以及潮上帶和潮下帶所沉積的灘地［1－2］；而狹義則定義為沿海大潮高潮位與低潮位之間的潮浸地帶［3－4］。灘涂是海岸帶的重要組成部分和重要的后備土地資源，我國(guó)灘涂面積較大，北起遼寧鴨綠江口，南到廣西北侖河口。灘涂除了較高的經(jīng)濟(jì)利用價(jià)值，還具有重要的軍事戰(zhàn)略地位。灘涂是從海戰(zhàn)場(chǎng)到陸戰(zhàn)場(chǎng)的過(guò)渡地段，是登陸作戰(zhàn)時(shí)的軍事要沖，其空間分布和屬性信息對(duì)登陸反登陸作戰(zhàn)、海防工事規(guī)劃設(shè)計(jì)等具有重要的影響。

灘涂多呈狹長(zhǎng)的帶狀形狀，寬度變化無(wú)規(guī)律，在衛(wèi)星遙感影像上的空間特征、光譜特征、紋理特征等受地理位置、海岸地形、潮汐特點(diǎn)以及影像獲取時(shí)間的影響很大。采用傳統(tǒng)的圖像分類提取技術(shù)自動(dòng)獲取灘涂的空間分布信息和屬性信息難度較大，因此，必須在詳細(xì)分析沿海灘涂特征的基礎(chǔ)上，充分利用衛(wèi)星遙感圖像上的各類灘涂特征，研究適合灘涂特點(diǎn)的分類和提取算法。

國(guó)外Joo－Hyung Ryu等基于不同波段的TM影像，對(duì)韓國(guó)Gomso灣淤泥質(zhì)海岸進(jìn)行了灘涂提取研究［5］。Keun－Hyung Choi等基于韓國(guó)西海岸中高分辨率遙感影像，采用光譜特征和形狀特征相結(jié)合的影像分割方法實(shí)現(xiàn)灘涂目標(biāo)提?。?］。國(guó)內(nèi)劉永學(xué)等基于Landsat7ETM＋遙感影像，通過(guò)統(tǒng)計(jì)分析各典型樣本的光譜特征，建立不同的判別規(guī)則以區(qū)分淤泥質(zhì)潮灘地物［7］。付軍等提出了一種基于光譜和紋理特征融合的灘涂提取方法，首先提取海岸帶地物的光譜特征和紋理特征，然后利用神經(jīng)網(wǎng)絡(luò)分類方法進(jìn)行單獨(dú)分類，最后對(duì)基于兩種特征的分類結(jié)果進(jìn)行融合和決策分析，得到最終的灘涂提取結(jié)果［8］。楊慧良等利用紋理特征分析進(jìn)行灘涂提取，首先進(jìn)行紋理特征值篩選，優(yōu)選出5種最能體現(xiàn)海岸帶地物紋理信息的特征值，構(gòu)建基于影像紋理特征的分類模型，然后利用神經(jīng)網(wǎng)絡(luò)分類法實(shí)現(xiàn)基灘涂提取［9］。高燕等利用光譜、形狀和空間關(guān)系等特征，基于SPOT影像研究實(shí)現(xiàn)海岸帶地物的正確分類和海岸線的自動(dòng)提?。?0］。張榮華等基于機(jī)載激光雷達(dá)對(duì)灘涂測(cè)繪關(guān)鍵技術(shù)進(jìn)行研究［11］。

各類研究結(jié)果表明，可靠地灘涂分類和提取需要綜合多類特征。本文將光譜特征和紋理特征引入灘涂分類提取，提出一種聯(lián)合光譜和紋理特征的支持向量機(jī)灘涂分類算法。首先介紹紋理影像的生成過(guò)程，然后研究聯(lián)合光譜和紋理特征的支持向量機(jī)灘涂分類算法，最后通過(guò)實(shí)驗(yàn)驗(yàn)證本文算法的有效性與可行性。

1　紋理影像的提取和生成

紋理影像是采用某種方法對(duì)原始影像法進(jìn)行計(jì)算得到能表達(dá)原始影像紋理特征的影像。本文采用灰度共生矩陣法計(jì)算原始影像均值、變化量、均勻性和非相似度4個(gè)統(tǒng)計(jì)量描述紋理信息，并以此為基礎(chǔ)生成紋理特征影像。

灰度共生矩陣（Gray Level Co－occurrence Matrix，GLCM）由兩個(gè)位置像元的聯(lián)合概率密度來(lái)定義，其數(shù)學(xué)表達(dá)式如式（1）所示。

其意義為：若一幅影像水平方向有Nx個(gè)像素，垂直方向有Ny個(gè)像素，在影像中統(tǒng)計(jì)距離為d，方位角為θ，灰度分別為i，j的所有像元對(duì)的概率，記為P （i，j，d，θ）。

圖1顯示了基于灰度共生矩陣（GLCM）的紋理特征影像生成過(guò)程。多光譜影像R、G、B、NIR 4個(gè)波段同一灰度共生統(tǒng)計(jì)量的紋理特征影像具有相關(guān)性，但又各自含有用信息。為了提高后續(xù)計(jì)算效率又不損失有價(jià)值的信息，本文選取均值、變化量、非相似度和均勻性這4個(gè)灰度共生矩陣統(tǒng)計(jì)量，將多光譜影像每個(gè)波段生成的單波段紋理影像加和求取平均值，最后得到4幅紋理影像。

圖1　紋理特征影像生成原理圖

2　聯(lián)合光譜和紋理特征的支持向量機(jī)灘涂分類算法

算法首先利用灰度共生矩陣提取紋理影像，然后在眾多紋理影像中選擇最能體現(xiàn)灘涂和周邊地物紋理差異的影像，將這些紋理影像與原來(lái)的多光譜影像進(jìn)行波段疊加，形成一幅結(jié)合了光譜特征和紋理特征的多維影像。最后，將支持向量機(jī)分類算法（SVM）引入到分類中，選擇支持向量機(jī)算法中的一對(duì)一和一對(duì)多分類器對(duì)這幅多維影像數(shù)據(jù)進(jìn)行分類，得到最終的分類結(jié)果。

整個(gè)算法過(guò)程涉及到3個(gè)關(guān)鍵技術(shù)過(guò)程：分別是紋理特征影像提取，樣本選取和SVM參考學(xué)習(xí)以及最終分類決策規(guī)則的建立。在灘涂地物光譜和紋理特征分析的基礎(chǔ)上，從而得到最終的灘涂提取結(jié)果。算法流程圖如圖2所示。

紋理影像提取成功后，將這些紋理影像與原來(lái)的多光譜影像進(jìn)行波段疊加，形成一幅結(jié)合了光譜特征和紋理特征的多維影像。針對(duì)多類分類問(wèn)題，目前主要的多分類器構(gòu)造方式有一對(duì)多法（OAR）、一對(duì)一法（OAO）、二叉樹(shù)法（binary tree，BT）和有向無(wú)環(huán)法（DAG），本文算法采用OAR分類器。

圖2　聯(lián)合光譜和紋理特征SVM分類方法技術(shù)流程圖

3　實(shí)驗(yàn)與分析

本文的實(shí)驗(yàn)數(shù)據(jù)如圖3所示，為國(guó)內(nèi)某遙感衛(wèi)星4波段的10 m分辨率多光譜影像，命名為沙灘－1，為典型的沙灘灘涂影像，試驗(yàn)區(qū)位于遼寧省大連市。表1列出了樣本的基本采集信息。

圖3　沙灘－1多光譜遙感影像和樣本選擇情況

表1　樣本采集情況

圖4是對(duì)原始4個(gè)波段各紋理統(tǒng)計(jì)量求平均值得到的4幅紋理特征圖像。

圖4　四類單波段紋理特征影像

將這4幅紋理影像與原始的多光譜影像進(jìn)行波段疊加，得到一幅既有光譜信息又有紋理信息的多波段影像。對(duì)該影像使用支持向量機(jī)算法進(jìn)行分類，選擇高斯徑向積函數(shù)作為核函數(shù)，選用OAR分類器，實(shí)驗(yàn)結(jié)果如圖5所示。

使用混淆矩陣對(duì)灘涂提取結(jié)果進(jìn)行精度評(píng)估。混淆矩陣當(dāng)中精度統(tǒng)計(jì)的單位是測(cè)試樣本通過(guò)分類器后的輸出值（類別）與測(cè)試樣本類別的比值，利用測(cè)試樣本統(tǒng)計(jì)分類精度。采用的評(píng)價(jià)因子為總體分類精度（被正確分類的像元總和除以總像元數(shù)）、使用精度（分類后的目標(biāo)類別與地面真實(shí)參考資料一致的像元數(shù)所占的百分比）和生產(chǎn)精度（某一真實(shí)地面參考資料的檢驗(yàn)點(diǎn)，被正確分類的像元數(shù)所占的百分比），結(jié)果如表2所示。

圖5　灘涂分類實(shí)驗(yàn)結(jié)果

表2　精度評(píng)價(jià)結(jié)果

表中數(shù)字是指測(cè)試樣本中像素個(gè)數(shù)，而不是整個(gè)影像的像素個(gè)數(shù)。從表2可以看出，本次實(shí)驗(yàn)總體分類精度達(dá)到92．37%，灘涂生產(chǎn)精度達(dá)到72．73%，灘涂使用精度達(dá)到94．14%，實(shí)驗(yàn)結(jié)果較為理想，滿足實(shí)際應(yīng)用及進(jìn)一步研究的要求。

4　結(jié) 論

灘涂具有光譜信息綜合的特點(diǎn)，周邊地物干擾較多，單純基于光譜特征的灘涂分類提取算法精度不高。遙感影像中灘涂及周邊地物具有不同的形狀和表面，反映在圖像上為不同粗糙度和方向的紋理。本文提出的聯(lián)合光譜和紋理特征的分類方法能克服單純依靠光譜特征分類方法的缺點(diǎn)，較好地將光譜特征較為接近的地物區(qū)分開(kāi)來(lái)。該方法的總體分類精度達(dá)到92．37%，灘涂生成精度和使用精度分別達(dá)到72．73%和94．14%。該方法也存在不足之處，灰度共生矩陣計(jì)算較為繁瑣，對(duì)聯(lián)合光譜和紋理特征后的多波段影像分類計(jì)算需要較長(zhǎng)時(shí)間，還有待下一步繼續(xù)完善。

參考文獻(xiàn)：

［1］ 張榮華，林昀．基于機(jī)載激光雷達(dá)的灘涂測(cè)繪關(guān)鍵技術(shù)研究［J］．測(cè)繪工程，2015，24（1）：33－35．

［2］ 中國(guó)地理學(xué)會(huì)海洋地理專業(yè)委員會(huì)．中國(guó)海洋地理［M］．北京：科學(xué)出版社，1996：130－131．

［3］ 朱大奎．中國(guó)海涂資源的開(kāi)發(fā)利用問(wèn)題［J］．地理科學(xué)，1986，6（1）：34－40．

［4］ 陳永文，劉君德，李天任．中國(guó)國(guó)土資源及區(qū)域開(kāi)發(fā)［M］．上海：上?？茖W(xué)技術(shù)版社，1989．

［5］ RYU Joo－Hyung，NA Young－Ho，WON Joong－Sun，et al．A critical grain size for Landsat ETM＋into investigations intertidal sediments：a case study of the Gomso tidal fiats，Korea．Estuarine，Coastal and Shelf－Science，2004，60（1）：491－502．

［6］ CHOI Keun－Hyung，LEE Sung－Mi，LIM Sang－Min，et al．Benthic habitat quality change as measured by macroinfauna community in a tidal flat on the west coast ofKorea［J］．Journal of Oceanography，2010，66（3）：307－317．

［7］ 劉永學(xué)，張忍順，李滿春．江蘇淤泥質(zhì)潮灘地物信息遙感提取方法研究［J］．海洋科學(xué)進(jìn)展，2004，22（2）：210－214．

［8］ 付軍，谷東起．基于光譜與紋理特征融合的灘涂信息提取方法［J］．海洋環(huán)境科學(xué)，2008，27（10）：405－408．

［9］ 楊慧良，付軍，谷東起．紋理分析方法在海岸帶地物分類中的應(yīng)用［J］．海洋科學(xué)進(jìn)展，2011，29（4）：196－204．

［10］高燕，周成虎，蘇奮振，等．基于多特征的人工海岸線提取方法［J］．測(cè)繪工程，2014，23（5）：1－5．

［11］張榮華，林昀．基于機(jī)載激光雷達(dá)的灘涂測(cè)繪關(guān)鍵技術(shù)研究［J］．測(cè)繪工程，2015，24（1）：33－35．

［責(zé)任編輯：王文福］

Research on joint spectral and texture features SVM tidal classification and extraction algorithm

ZHAO Liang1，MENG Like2，ZHANG Yan3，F(xiàn)ENG Wufa3，ZHANG Jiling3，4

（1．Troops 61175，Nanjing 210049，China；2．Troops 96656，Beijing 102208，China；3．College of Geospatial Information，Information Engineering University，Zhengzhou 450052，China；4．Troops 68310，Xi’an 710600，China）

Abstract：As a main part of the beach coastal zone，tidal land is an important land resource．In this paper，study is made on remote sensing image tidal land classification and extraction technology，and a tidal land SVM classification method combining the spectral and texture features is proposed．Firstly，the texture image acquisition method is introduced，then tidal land texture image is obtained by GLCM analysis，subsequently a multi－dimensional feature image is generated by superimposing the spectral image and the texture image together，finally the SVM classification algorithm with OAR classifier is chosen for classification．Experimental results demonstrate the algorithm is significant for enhancing coastal geographic information access capabilities and lifting the marine remote sensing surveying and mapping level．

Key words：spectral feature；texture feature；support vector machine；tidal land

作者簡(jiǎn)介：趙 亮（1978－），男，工程師．

收稿日期：2014－09－20；修回日期：2015－05－21

中圖分類號(hào)：P237；P931．1

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1006－7949（2016）01－0043－04